随着高速铁路运营里程的增加,S700K转辙机作为重要的室外信号设备已被大量使用,它的工作状况不仅影响列车的行车安全还影响铁路运输效率,因此需要更加智能的故障诊断方法来提高设备的安全性和可靠性。目前国内对转辙机故障诊断主要依靠工作人员维修经验定位故障,这种方法故障识别效率低且不能实时在线确定故障位置,又因为转辙机自身结构复杂且工作环境恶劣多变,致使转辙机的故障类型多种多样且具有不确定性,这增加了人工诊断故障的难度,故对转辙机的智能化诊断研究显得尤为重要。本文在对S700K转辙机的基本工作原理、动作功率曲线及故障类型分析的基础上,提出基于贝叶斯网络的S700K转辙机故障诊断方法。论文的主要研究工作如下:首先,基于S700K转辙机的基本结构、控制电路及工作原理,分析转辙机的动作功率与运行状态间的关系。在此基础上根据转辙机的不同动作过程对其故障进行分析汇总并给出8种常见的转辙机故障类型的功率曲线和故障原因。其次,根据信号的不同时域特征参数对各工作区段的特征进行提取,由于提取的特征数据是连续性数值不适合机器学习,故提出基于信息熵和行列重要度结合的离散化算法对特征进行离散化处理。针对故障特征中存在冗余特征及各个特征对系统分类的重要程度不同的情况,在离散化的基础上采用约简算法对故障特征进行约简,剔除冗余特征。由于基于条件独立性假设的朴素贝叶斯网络分类器不能满足实际应用的需要,故提出基于灰色关联分析的属性加权朴素贝叶斯网络分类器模型。该模型在特征约简的基础上考虑不同特征节点与类型节点间的相互关联程度,通过利用它们彼此间的关联性来提升贝叶斯网络分类器的性能,从而提高分类器的分类精度。最后,针对转辙机故障特征信息具有多样性和不确定性的特点,提出基于贝叶斯网络分类器的S700K转辙机故障诊断方法。该方法将信号特征提取技术、粗糙集理论及贝叶斯理论相结合,首先应用时域信号特征提取技术提取故障信号特征信息,然后采用基于信息熵和行列重要度结合的离散化算法实现故障特征的离散化,并在离散化的基础上采用基于类差别矩阵的约简算法实现故障特征的约简,最后在故障特征约简集的基础上利用属性加权朴素贝叶斯分类器进行数据分类,实现转辙机的故障诊断。以兰州铁路局某电务段采集的S700K转辙机动作功率曲线为例验证所提算法的有效性、准确性。